CN104700121A - 基于均值/方差分类的三维som初始化模式库生成方法 - Google Patents
基于均值/方差分类的三维som初始化模式库生成方法 Download PDFInfo
- Publication number
- CN104700121A CN104700121A CN201510043095.XA CN201510043095A CN104700121A CN 104700121 A CN104700121 A CN 104700121A CN 201510043095 A CN201510043095 A CN 201510043095A CN 104700121 A CN104700121 A CN 104700121A
- Authority
- CN
- China
- Prior art keywords
- average
- vector
- variance
- trained
- initialize mode
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了基于均值/方差分类的三维SOM初始化模式库生成方法,其特征在于,包括如下步骤:计算训练矢量集中各矢量的均值;将得到的均值排序,相应的调整训练矢量集中各矢量的排列位置,并将其平均分为4个部分;在每个部分都根据方差大小进行排序;以相同的间隔分别从4个部分抽取训练矢量,合在一起组成初始化模式库。与目前常用的随机抽取法、分离平均法相比,本算法具有很强的针对性,与信源的匹配程度更高,从而能减少无效模式矢量的数目,提高模式库的性能。
Description
技术领域
本发明涉及基于三维自组织映射的图形图像编码方法,特别涉及基于均值/方差分类的三维SOM初始化模式库生成方法。
背景技术
图像编码也称图像压缩,是指在满足一定质量(信噪比的要求或主观评价得分)的条件下,以较少比特数表示图像或图像中所包含信息的技术。图像编码系统基本上由两部分组成。首先,对经过高精度模-数变换的原始数字图像进行去相关处理,去除信息的冗余度;然后,根据一定的允许失真要求,对去相关后的信号编码即重新码化。一般用线性预测和正交变换进行去相关处理;与之相对应,图像编码方案也分成预测编码和变换域编码两大类。常用的图像编码国际标准有基于DCT变换的JPEG和基于小波变换的JPEG2000。
基于神经网络的图像编码是近年来出现的一种新的图像编码方法。人工神经网络在图像压缩中的应用是通过初步模拟人体神经系统的局部初级功能,根据图像本身的特点,自主的对其进行压缩编码。自组织神经网络在图像编码邻域有广泛的应用。
自组织特征映射(Self-Organizing Map,简称SOM)算法是Kohonen从人脑神经元的组织原理上受到启发而提出的一种具有自组织特性的人工神经网络算法。该算法模拟了人脑神经系统对某一图形或某一频率特定兴奋的特征,同时考虑了可以人工实现的条件,在数据挖掘和图像模式识别等领域得到了深入的研究和应用,是一种高效的数据聚类方法。SOM网络采用双层网络结构,分为输入层和映射层,输入层用于感知输入模式,每个输入神经元通过权值与每个映射层神经元连接,映射层输出结果,映射层的神经元互相连接。传统SOM网络一般采用一维输入层和二维映射层,它能有效地处理一维和二维信号。近年来,三维图像和视频等三维信号的处理日益引起了关注,然而传统SOM算法并不能直接用于三维信号的处理。三维SOM算法很好地解决了这一问题,能有效地将二维输入映射为三维输出,实现了三维信号的非线性映射。三维SOM算法的网络结构,将映射层神经元排列成三维立体结构,三维立体结构的行数、列数和层数可以取不同的值,排列成不同的三维结构在一定程度上影响算法的性能;三维邻域形状可以有不同的选择,通常选取球形邻域、正方形邻域或正交十字邻域,选取不同的三维邻域形状时算法的性能也有差异。SOM网络与普通的竞争网络一样,对于每个输入模式,在映射层都有相应的获胜节点,获胜节点代表最相似的模式,该节点及其三维邻域范围内的所有节点都按一定规则调整自身的权值。与邻域是二维平面结构相比,邻域是三维立体结构时,在相等邻域半径内的节点数量增多,节点被调整的机会增加,因此更有利 于得到最佳匹配的模式库。
将三维SOM算法用于图像编码,先要得到一个初始化模式库,然后对其进行不断的训练得到最佳匹配的模式库,然后利用训练好的模式库对图像进行编码。初始模式库的质量会影响三维SOM算法的收敛速度以及最优模式库的性能。目前常用的三维SOM初始化模式库生成方法有以下3种:
(1)随机抽取法
随机抽取法是从训练矢量中随机地选取矢量组成初始化模式库,通常训练矢量的数量远大于初始模式的数量。随机法的优点是计算简单,复杂度低,随机法的缺点是模式矢量的选择没有针对性,模式矢量利用率低。
(2)分裂法
分裂法首先计算所有训练矢量的质心,将此质心作为第1个模式矢量,用一个合适参数乘以第1个模式矢量得到第2个模式矢量,利用LBG算法设计仅含有这两个模式矢量的模式库;然后将模式库中的两个模式矢量分别乘以合适的参数得到4个模式矢量,再利用LBG算法设计仅含有这4个模式矢量的模式库;如此反复最终得到包括N个模式矢量的初始化模式库。分裂法产生的初始化模式库性能好,但是计算量较大,而且分裂时参数的选择不同,会导致初始化模式库的性能不同。
(3)分离平均法
分离平均法的基本思想是:将训练矢量集分成N段,每段长度为p=(L/N)(L为训练矢量数,N为模式库大小),在每段上求各训练矢量的平均值,得到的N个矢量就是初始化模式库。
分离平均法是随机抽取法的一种改进,用分离平均法得到的初始化模式库性能好于随机抽取法,但性能提高有限。
然而,以上这三种现有的三维SOM初始化模式库生成方法均存在模式矢量利用率较低和与信源匹配程度不高等不足,影响了三维SOM算法初始化模式库的性能。
发明内容
本发明的目的是针对现有技术的不足,而提供一种基于均值/方差分类的三维SOM初始化模式库生成方法,该方法能提高模式库中模式矢量利用率,而且与信源匹配程度较高,同时能提高三维SOM算法的性能。
实现本发明目的的技术方案是:
基于均值/方差分类的三维SOM初始化模式库生成方法,包括如下步骤:
1)计算训练矢量集中各矢量的均值;
2)将得到的均值排序,相应的调整训练矢量集中各矢量的排列位置,并将其平均分为4个部分;
3)在每个部分都根据方差大小进行排序;
4)以相同的间隔分别从4个部分抽取训练矢量,合在一起组成初始化模式库。
步骤1)中,训练矢量集为:
{X(t),t=0,1,…,L-1} (1)
式中X(t)为计算训练矢量集,L为训练矢量的个数,t为训练矢量的序号。计算X(t)中各训练矢量的均值。
步骤2)中,将得到的均值按从小到大的顺序排序,根据均值的顺序相应的调整训练矢量集中各矢量的排列位置,并将调整后的训练矢量集平均分为4部分,即得到均值依次增加的4部分:
{X1(t)}、{X2(t)}、{X3(t)}、{X4(t)} (2)
式中t为训练矢量的序号。
步骤3)中,在{X1(t)}中根据训练矢量的方差大小进行排序得到{X1'(t)},在{X2(t)}中根据训练矢量的方差大小进行排序得到{X2'(t)},在{X3(t)}中根据训练矢量的方差大小进行排序得到{X3'(t)},在{X4(t)}中根据训练矢量的方差大小进行排序得到{X4'(t)}。
步骤4)中,以相同的间隔分别从{X1'(t)}、{X2'(t)}、{X3'(t)}、{X4'(t)}中各选取若干训练矢量,合在一起组成初始化模式库。
本发明的有益效果是利用基于均值/方差分类的方法选取模式矢量与其他方法相比具有很强的针对性,与信源的匹配程度更高,从而能减少无效模式矢量的数目,提高模式库的性能。
具体实施方式
下面结合实施例,对本发明内容作进一步地详细说明,但本发明的实施方式不限于此。
实施例:
1)计算训练矢量集中各矢量的均值;
2)将得到的均值排序,相应的调整训练矢量集中各矢量的排列位置,并将其平均分为4个部分;
3)在每个部分都根据方差大小进行排序;
4)以相同的间隔分别从4个部分抽取训练矢量,合在一起组成初始化模式库。
步骤1)中,训练矢量集为:
{X(t),t=0,1,…,L-1} (1)
式中X(t)为计算训练矢量集,L为训练矢量的个数,t为训练矢量的序号。计算X(t)中各训练矢量的均值。
步骤2)中,将得到的均值按从小到大的顺序排序,根据均值的顺序相应的调整训练矢量集中各矢量的排列位置,并将调整后的训练矢量集平均分为4部分,即得到均值依次增加的4部分:
{X1(t)}、{X2(t)}、{X3(t)}、{X4(t)} (2)
式中t为训练矢量的序号。
步骤3)中,在{X1(t)}中根据训练矢量的方差大小进行排序得到{X1'(t)},在{X2(t)}中根据训练矢量的方差大小进行排序得到{X2'(t)},在{X3(t)}中根据训练矢量的方差大小进行排序得到{X3'(t)},在{X4(t)}中根据训练矢量的方差大小进行排序得到{X4'(t)}。
步骤4)中,以相同的间隔分别从{X1'(t)}、{X2'(t)}、{X3'(t)}、{X4'(t)}中各选取若干训练矢量,合在一起组成初始化模式库。
具体地,为了说明本方法的性能,做了大量的仿真实验,实验图像选择分辨率为512×512×8bit的标准亮度测试图像Lena,用于模式库训练和图像编码。重建图像品质的客观评价采用峰值信噪比式中EMSE为原始图像与重建图像之间的均方误差。图像压缩比为式中M为模式矢量的维数,BO为原始图像的每像素比特数,BC为模式矢量地址比特数。实验中得到的所有数据,都是在不断调整最小邻域、最大邻域、学习衰减常数、邻域衰减常数和三维网络结构等实验参数,进行了大量的实验后获得的。
实验中分别用基于训练矢量集随机抽取法、分离平均法和均值/方差分类法初始化模式库的三维SOM算法设计图像模式识别模式库,并通过编码后重建图像的质量来比较这几种初始化模式库算法的性能,实验中训练矢量数为40960。表1给出了模式库取不同大小时,3种初始化模式库算法重建图像的PSNR对比。
表1 重建图像的PSNR
从表中可以看出,当模式库较小时,均值/方差分类法三维SOM算法性能提高不明显,但是当模式库较大时,均值/方差分类法三维SOM算法性能明显提高。模式库大小为1024(压缩比)时,均值/方差分类法三维SOM算法重建图像的PSNR比随机抽取法和分离平均法分别提高了0.26dB和0.21dB。模式库大小为2048(压缩比)时,分别提高了0.51dB和0.55dB。
Claims (5)
1.基于均值/方差分类的三维SOM初始化模式库生成方法,其特征在于,包括如下步骤:
1)计算训练矢量集中各矢量的均值;
2)将得到的均值排序,相应的调整训练矢量集中各矢量的排列位置,并将其平均分为4个部分;
3)在每个部分都根据方差大小进行排序;
4)以相同的间隔分别从4个部分抽取训练矢量,合在一起组成初始化模式库。
2.根据权利要求1所述的基于均值/方差分类的三维SOM初始化模式库生成法,其特征在于,步骤1)中,训练矢量集为:
{X(t),t=0,1,…,L-1} (1)
式中X(t)为计算训练矢量集,L为训练矢量的个数,t为训练矢量的序号。计算X(t)中各训练矢量的均值。
3.根据权利要求1所述的基于均值/方差分类的三维SOM初始化模式库生成方法,其特征在于,步骤2)中,将得到的均值按从小到大的顺序排序,根据均值的顺序相应的调整训练矢量集中各矢量的排列位置,并将调整后的训练矢量集平均分为4部分,即得到均值依次增加的4部分:
{X1(t)}、{X2(t)}、{X3(t)}、{X4(t)} (2)
式中t为训练矢量的序号。
4.根据权利要求1所述的基于均值/方差分类的三维SOM初始化模式库生成方法,其特征在于,步骤3)中,在{X1(t)}中根据训练矢量的方差大小进行排序得到{X1'(t)},在{X2(t)}中根据训练矢量的方差大小进行排序得到{X2'(t)},在{X3(t)}中根据训练矢量的方差大小进行排序得到{X3'(t)},在{X4(t)}中根据训练矢量的方差大小进行排序得到{X4'(t)}。
5.根据权利要求1所述的基于均值/方差分类的三维SOM初始化模式库生成方法,其特征在于,步骤4)中,以相同的间隔分别从{X1'(t)}、{X2'(t)}、{X3'(t)}、{X4'(t)}中各选取若干训练矢量,合在一起组成初始化模式库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510043095.XA CN104700121A (zh) | 2015-01-28 | 2015-01-28 | 基于均值/方差分类的三维som初始化模式库生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510043095.XA CN104700121A (zh) | 2015-01-28 | 2015-01-28 | 基于均值/方差分类的三维som初始化模式库生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104700121A true CN104700121A (zh) | 2015-06-10 |
Family
ID=53347218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510043095.XA Pending CN104700121A (zh) | 2015-01-28 | 2015-01-28 | 基于均值/方差分类的三维som初始化模式库生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104700121A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105933691A (zh) * | 2016-05-13 | 2016-09-07 | 桂林电子科技大学 | 基于分类频率敏感三维自组织映射的视差估计方法 |
CN106028043A (zh) * | 2016-05-13 | 2016-10-12 | 桂林电子科技大学 | 基于新的邻域函数的三维自组织映射图像编码方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101042742A (zh) * | 2006-03-23 | 2007-09-26 | 株式会社东芝 | 模式识别方法 |
CN103489009A (zh) * | 2013-09-17 | 2014-01-01 | 北方信息控制集团有限公司 | 基于自适应修正神经网络的模式识别方法 |
-
2015
- 2015-01-28 CN CN201510043095.XA patent/CN104700121A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101042742A (zh) * | 2006-03-23 | 2007-09-26 | 株式会社东芝 | 模式识别方法 |
CN101042742B (zh) * | 2006-03-23 | 2010-08-18 | 株式会社东芝 | 模式识别方法 |
CN103489009A (zh) * | 2013-09-17 | 2014-01-01 | 北方信息控制集团有限公司 | 基于自适应修正神经网络的模式识别方法 |
Non-Patent Citations (1)
Title |
---|
张可可等: "基于方差分类初始化码书的三维邻域SOM算法", 《北京师范大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105933691A (zh) * | 2016-05-13 | 2016-09-07 | 桂林电子科技大学 | 基于分类频率敏感三维自组织映射的视差估计方法 |
CN106028043A (zh) * | 2016-05-13 | 2016-10-12 | 桂林电子科技大学 | 基于新的邻域函数的三维自组织映射图像编码方法 |
CN105933691B (zh) * | 2016-05-13 | 2017-11-10 | 桂林电子科技大学 | 基于分类频率敏感三维自组织映射的视差估计方法 |
CN106028043B (zh) * | 2016-05-13 | 2018-08-31 | 桂林电子科技大学 | 基于新的邻域函数的三维自组织映射图像编码方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10552989B2 (en) | Point cloud attribute compression method based on KD tree and optimized graph transformation | |
CN110349230A (zh) | 一种基于深度自编码器的点云几何压缩的方法 | |
CN105141970B (zh) | 一种基于三维模型几何信息的纹理图像压缩方法 | |
CN108335335A (zh) | 一种基于增强图变换的点云属性压缩方法 | |
CN103763565A (zh) | 基于三维自组织映射的视差图像编码方法 | |
CN110009565A (zh) | 一种基于轻量化网络的超分辨率图像重建方法 | |
Jiang et al. | Medical image compression based on vector quantization with variable block sizes in wavelet domain | |
CN108063944A (zh) | 一种基于视觉显著性的感知码率控制方法 | |
CN104869425A (zh) | 一种基于纹理图像相似性的压缩和解压缩方法 | |
CN103763558B (zh) | 基于相似性的纹理图像压缩方法 | |
CN106658003A (zh) | 一种基于字典学习的图像压缩系统的量化方法 | |
CN104363460A (zh) | 一种基于三维自组织映射的立体图像编码方法 | |
CN106056638A (zh) | 一种自适应纹理对比度的低复杂度压缩感知图像编码方法 | |
CN104700121A (zh) | 基于均值/方差分类的三维som初始化模式库生成方法 | |
CN101783939A (zh) | 一种基于人眼视觉特性的图像编码方法 | |
Baviskar et al. | Performance evaluation of high quality image compression techniques | |
CN106331719B (zh) | 一种基于k-l变换误差空间拆分的图像数据压缩方法 | |
CN103761753B (zh) | 基于纹理图像相似性的解压缩方法 | |
CN105306946B (zh) | 一种基于均方误差门限的质量可分级视频编码方法 | |
US8285053B2 (en) | Codebook generating method | |
CN108573509A (zh) | 基于测量域显著检测模型的自适应压缩感知图像编码方法 | |
Begum et al. | An efficient algorithm for codebook design in transform vector quantization | |
CN105160664B (zh) | 基于低秩模型的压缩感知视频重构方法 | |
CN106028043B (zh) | 基于新的邻域函数的三维自组织映射图像编码方法 | |
CN106897674B (zh) | 一种基于jpeg2000码流的在轨遥感图像城区检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150610 |
|
RJ01 | Rejection of invention patent application after publication |